Elaborazione dei segnali
Lo scattering wavelet temporale consente di ottenere rappresentazioni dei dati a bassa varianza, robuste rispetto agli spostamenti temporali su una scala definita dall'utente. Partendo dallo scattering wavelet temporale, è possibile utilizzare lo scattering congiunto tempo-frequenza per ottenere rappresentazioni che siano anch'esse invarianti rispetto a traslazioni e deformazioni in frequenza. Entrambe le rappresentazioni minimizzano le differenze all'interno di una classe, preservando al contempo la discriminabilità tra le classi. È possibile utilizzare queste rappresentazioni nei workflow di AI.
È possibile utilizzare la trasformata wavelet continua (CWT) per generare mappe tempo-frequenza bidimensionali di dati di serie temporali, che possono essere utilizzate con reti convoluzionali bidimensionali. La generazione di rappresentazioni tempo-frequenza da utilizzare in reti neurali convoluzionali (CNN) profonde costituisce un approccio efficace per la classificazione dei segnali. La capacità della CWT di catturare contemporaneamente lo stato stazionario e il comportamento transitorio nei dati delle serie temporali, rende la rappresentazione tempo-frequenza basata sulle wavelet particolarmente robusta quando abbinata a reti neurali convoluzionali (CNN) profonde. È inoltre possibile calcolare la CWT e la sua inversa all'interno di una rete di Deep Learning, così come la trasformata wavelet discreta a sovrapposizione massima (MODWT) e l'analisi multirisoluzione MODWT (MRA).
Con una licenza Signal Processing Toolbox™, è possibile includere la trasformata di Fourier a breve termine nei workflow di Machine Learning e Deep Learning. È inoltre possibile utilizzare Signal Labeler (Signal Processing Toolbox) per etichettare i segnali ai fini dell'analisi o per l'utilizzo in applicazioni di Machine Learning e Deep Learning. Signal Labeler salva i dati come oggetti labeledSignalSet. Con una licenza Audio Toolbox™, è possibile Import and Play Audio File Data in Signal Labeler (Signal Processing Toolbox). È inoltre possibile utilizzare melSpectrogram (Audio Toolbox) per l'estrazione delle feature.
App
| Signal Labeler | Label signal attributes, regions, and points of interest |
Funzioni
Argomenti
- Detect Air Compressor Sounds in Simulink Using Wavelet Scattering (DSP System Toolbox)
Use the Wavelet Scattering block and a pretrained deep learning network to classify audio signals.
- Detect Anomalies in ECG Data Using Wavelet Scattering and LSTM Autoencoder in Simulink (DSP System Toolbox)
Use wavelet scattering and deep learning network to detect anomalies in ECG signals.
- Radar and Communications Waveform Classification Using Deep Learning (Phased Array System Toolbox)
Classify radar and communications waveforms using the Wigner-Ville distribution (WVD) and a deep convolutional neural network (CNN).
- Radar Target Classification Using Machine Learning and Deep Learning (Radar Toolbox)
Classify radar returns using machine and deep learning approaches.
Informazioni complementari
Esempi in primo piano
Acoustic Scene Classification with Wavelet Scattering
Use wavelet scattering and joint time-frequency scattering with a support vector machine to classify urban environments by sound.
Acoustic Scene Recognition Using Late Fusion
Create a multi-model late fusion system for acoustic scene recognition.
Air Compressor Fault Detection Using Wavelet Scattering
Classify faults in acoustic recordings of air compressors using a wavelet scattering network and a support vector machine.
Anomaly Detection Using Convolutional Autoencoder with Wavelet Scattering Sequences
Detect anomalies in acoustic data using wavelet scattering with the
deepSignalAnomalyDetector object.
Classify Time Series Using Wavelet Analysis and Deep Learning
Classify electrocardiogram data using deep learning and the continuous wavelet transform.
Crack Identification from Accelerometer Data
Use wavelet and deep learning techniques to detect transverse pavement cracks and localize their position.
Detect Anomalies Using Wavelet Scattering with Autoencoders
Learn how to develop an alert system for predictive maintenance using wavelet scattering and deep learning.
Fault Detection Using Wavelet Scattering and Recurrent Deep Networks
Classify faults in acoustic recordings of air compressors using a wavelet scattering network paired with a recurrent neural network.
GPU Acceleration of Scalograms for Deep Learning
Use your GPU to accelerate feature extraction for ECG and spoken digit classification.
Human Health Monitoring Using Continuous Wave Radar and Deep Learning
Reconstruct electrocardiogram signals using a bidirectional long short-term memory network and wavelet multiresolution analysis.
Musical Instrument Classification with Joint Time-Frequency Scattering
Classify musical instruments using joint time-frequency features paired with a 3-D convolutional network.
Signal Classification Using Wavelet-Based Features and Support Vector Machines
Classify electrocardiogram signals using features derived from wavelets and an autoregressive model.
Signal Recovery with Differentiable Scalograms and Spectrograms
Use differentiable time-frequency transforms and gradient descent to recover a time-domain signal without the need for phase information.
Spoken Digit Recognition with Wavelet Scattering and Deep Learning
Classify spoken digits using both machine learning and deep learning techniques.
Time-Frequency Convolutional Network for EEG Data Classification
Classify electroencephalographic (EEG) time series from persons with and without epilepsy.
Time-Frequency Feature Embedding with Deep Metric Learning
Construct wavelet-based feature embeddings to classify EEG signals from persons with and without epilepsy.
Wavelet Time Scattering Classification of Phonocardiogram Data
Classify human phonocardiogram recordings using wavelet time scattering and a support vector machine classifier.
Wavelet Time Scattering for ECG Signal Classification
Classify human electrocardiogram signals using wavelet time scattering and a support vector machine classifier.
